INNOVATION SCOUT · IMPULSPROFIL

KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung

KI wertet Bild-, Spektral- und Bestandsdaten aus, um Baustoffe zu erkennen, Sortieraktionen vorzubereiten und Bauteile für eine fachliche Wiederverwendungsprüfung einzugrenzen.

Um was geht es bei KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung?

Die Anwendung beginnt mit Aufnahmen von Materialströmen oder Bauteilen. Gelernte Modelle ordnen Merkmale zu; Sortieranlagen verbinden das Ergebnis mit Vortrennung, Aktorik und festgelegten Zielwegen. Für die Wiederverwendung (Reuse) kommen Identität, Zustand, Herkunft und vorgesehener Einsatz hinzu. Ein Kreislaufbeitrag entsteht erst durch eine geeignete Weiterverwendung oder Verwertung, die über die Erkennungsleistung hinaus nachzuweisen ist.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Projektbeschreibung SmartRecycling-Up Quelle 9: RGS Nordic – Case study, Fundstelle(n): Abschnitt Anlagenaufbau Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Methodik, Intent mapping Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4; Integration und Pilotierung Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Einordnung im Impulsradar

Stationäre Materialerkennung und robotische Sortierung werden in benannten Anlagen eingesetzt und selektiv ausgeweitet. Mobile Rückbauerkennung und umfassende Reuse-Bewertung sind weniger weit belegt. Materialklasse und Modellscore ersetzen keine Prüfung von Schadstoffen, Restleistung und konkreter Verwendbarkeit.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Realtest ASO Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Waageneinsatz Quelle 8: Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen, Fundstelle(n): BHRZ seit Anfang 2026; Nutzung seit Anfang 2026, Publikation Juli 2026 Quelle 10: RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen, Fundstelle(n): Betreiberinterview; Betrieb Juni 2025 Quelle 12: Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification, Fundstelle(n): Methodik Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Versuche/Fehleranalyse Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Eigenbericht; Pilotpartner, Oktober 2025; 4.3–4.4 Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Vom erkannten Material zum geprüften Verwendungsweg

Materialannahme, Sortierung und Reuse-Bewertung bearbeiten unterschiedliche Entscheidungen. An der Waage kann eine Kamera den sichtbaren Inhalt einer Lieferung klassifizieren. In der Anlage muss die erkannte Fraktion anschließend tatsächlich getrennt werden. Bei einem wiederzuverwendenden Bauteil stellt sich zusätzlich die Frage, ob seine Eigenschaften für einen bestimmten neuen Einsatz ausreichen.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Projektbeschreibung SmartRecycling-Up Quelle 9: RGS Nordic – Case study, Fundstelle(n): Abschnitt Anlagenaufbau Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Methodik, Intent mapping Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Abschnitte Einsatz an der Waage und Aussage Eberhard Fritz Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4 Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Der KI-Anteil kann in Bildklassifikation, Segmentierung, spektraler Mustererkennung oder gelernter Bewegungssteuerung liegen. Ein Sensor, Magnetabscheider oder Greifer ist für sich noch keine KI. Entscheidend ist, welche gelernte Funktion welche Eingabe verarbeitet und welche kontrollierte Aktion oder fachliche Prüfung daraus folgt.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Projektbeschreibung SmartRecycling-Up; Absätze zu ARTER, ASO und SmartMotionController Quelle 9: RGS Nordic – Case study, Fundstelle(n): Abschnitt Anlagenaufbau Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Methodik, Intent mapping; Versuchsaufbau, Auswertung, Tabellen 1–2 Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 12: Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification, Fundstelle(n): Abschnitte 2–3, Appendix E; finale Fassung

In stationären Anwendungen übernimmt die Erkennung unterschiedliche Aufgaben. Optocycle berichtet über die Zuordnung des sichtbaren Lieferungsinhalts bei Feeß und BHRZ Parsberg. Der Anlagenbetreiber RGS Nordic beschreibt dagegen die robotische Trennung nach mechanischen Vorstufen. Die weitere Bearbeitung hängt davon ab, ob das Ergebnis eine Annahmeentscheidung vorbereitet oder eine physische Sortieraktion steuert.

Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Abschnitte Einsatz an der Waage und Aussage Eberhard Fritz Quelle 8: Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen, Fundstelle(n): Abschnitte BHRZ Parsberg und Einsatz seit Anfang 2026 Quelle 10: RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen, Fundstelle(n): Interview mit Thomas Jensen zum Standort Vindmøllevej Quelle 9: RGS Nordic – Case study, Fundstelle(n): Anlagenkonfiguration und Robotersortierung

Für Reuse sollte das Ergebnis als prüfbarer Bauteilkandidat weitergegeben werden: mit Identität, Lage, Abmessungen, sichtbarem Befund und Datenherkunft. Verdeckte Schäden, stoffliche Belastungen, Restleistung und Einbaubedingungen benötigen ergänzende Beurteilung. Eine hohe Erkennungswahrscheinlichkeit ist keine Verwendungsfreigabe.

Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract; Autorenabstract Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4 Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Worauf es bei KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung fachlich ankommt

Materialannahme: vorhandene Nutzung und zusätzlicher Standort

Studien-/Praxisbefund

Der Optocycle-Projektbericht vom Oktober 2025 nennt Feeß und Lahnau als Pilotpartner für die Bildklassifikation von Bauschutt und Bodenaushub. Ein Fallbericht vom Juli 2026 beschreibt das Kamera-Erfassungssystem Truck Imager beim Betreiber BHRZ Parsberg als seit Anfang 2026 produktiv eingesetzt. Die Kamera erfasst Anlieferungen an der Waage; das ist stationäre Eingangskontrolle. Im Feeß-Fallbericht wird die Verbesserung bei Fehlklassifizierungen ausdrücklich als Schätzung des Stoffstromleiters dargestellt. Ein öffentliches Stichproben- oder Vorher-Nachher-Protokoll fehlt. Der Abschlussbericht nennt zudem Schwierigkeiten bei Betonvarianten sowie Keramik und Ziegeln und erläutert die Trennung zwischen Trainings- und Testbestand nicht ausreichend.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Abschnitte 4.2.1–4.2.4 und 4.3–4.4, S. 6–12 Quelle 5: Optische Klassifizierung von Bauschutt und Bodenaushub, Fundstelle(n): Projektbeschreibung und Folgeprojekt 40244 Quelle 8: Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen, Fundstelle(n): Abschnitte BHRZ Parsberg und Einsatz seit Anfang 2026 Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Abschnitte Einsatz an der Waage und Aussage Eberhard Fritz

Fachliche Einordnung

Die bildbasierte Dokumentation ordnet den sichtbaren Lieferungsinhalt dem Vorgang an der Waage zu. Unklare Materialklassen müssen dort fachlich geklärt werden, bevor sie die weitere Behandlung der Lieferung bestimmen. Für die betriebliche Prüfung ist der Ablauf mit der bisherigen Annahmepraxis zu vergleichen, einschließlich Fehlzuordnungen und notwendiger Nachkontrolle.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Abschnitte 4.2.1–4.2.4 und 4.3–4.4, S. 6–12; Pilotpartner, Oktober 2025 Quelle 5: Optische Klassifizierung von Bauschutt und Bodenaushub, Fundstelle(n): Projektbeschreibung und Folgeprojekt 40244 Quelle 8: Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen, Fundstelle(n): Abschnitte BHRZ Parsberg und Einsatz seit Anfang 2026; Nutzung seit Anfang 2026, Publikation Juli 2026 Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Abschnitte Einsatz an der Waage und Aussage Eberhard Fritz

Robotische Trennung braucht eine vollständige Anlagenkette

Studien-/Praxisbefund

Die RGS-Nordic-Fallstudie beschreibt in Kopenhagen vier HeavyPicker-Roboter nach mechanischen Vorstufen. Ein Betreiberinterview vom Juni 2025 nennt mehrmonatigen Einsatz und fortgesetztes Lernen. Der Solum-Bericht aus Roskilde dokumentiert dagegen eine Einweihung mit Vorführung im Oktober 2024; diese Momentaufnahme belegt keinen langfristig stabilen Betrieb.

Fachliche Einordnung

Die Roboter übernehmen die physische Trennung nach den mechanischen Vorstufen. Die Gesamtleistung hängt deshalb auch von Vortrennung, Beschickung, Überwachung und Nachsortierung ab. Langfristiger Durchsatz, Stillstände und Verschleiß sind in den verfügbaren Betriebsberichten unzureichend quantifiziert; für einen Anlagenvergleich muss die vollständige Kette erfasst werden.

Quelle 10: RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen, Fundstelle(n): Interview mit Thomas Jensen zum Standort Vindmøllevej Quelle 9: RGS Nordic – Case study, Fundstelle(n): Anlagenkonfiguration und Robotersortierung; Anlagenaufbau Quelle 11: Denmark inaugurates first robotic sorting plant for construction waste, Fundstelle(n): Einweihung und Demonstration Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Integration und Pilotierung Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract

Spektrale Erkennung mit physischer Sortierung verbinden

Studien-/Praxisbefund

Das Forschungsprojekt SmartRecycling-Up verbindet laut dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) multispektrale und räumliche Erkennung mit einem hydraulischen Kran und gelernter Bewegungssteuerung; Realtests fanden beim Erprobungspartner ASO in Osterholz-Scharmbeck statt. Eine tschechische Studie untersucht dagegen kontrollierte Materialproben und schmalbandige Filter für lernende Klassifikation. Deren finale Fassung benennt geeignete Spektralbereiche, misst aber keine Sortieranlage.

Fachliche Einordnung

SmartRecycling-Up verbindet die Materialerkennung mit einer physischen Kranbewegung. Die Spektralstudie untersucht einen vorgelagerten Schritt: welche Wellenlängen unter kalibrierter Beleuchtung zur Materialunterscheidung beitragen. Für die Anwendung im Materialstrom müssen Feuchte, Verschmutzung, wechselnde Oberflächen und industrielle Fördergeschwindigkeit gesondert geprüft werden. Die gemessene Oberfläche beschreibt dabei nicht automatisch das Materialinnere.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Absätze zu ARTER, ASO und SmartMotionController Quelle 12: Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification, Fundstelle(n): Abschnitte 2–3, Appendix E; finale Fassung; Abschnitte Datensatzaufbereitung und Training Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4 Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Die Testtrennung bestimmt die Reichweite eines Bildscores

Studien-/Praxisbefund

Die Spektralstudie verwendet kleine Bildausschnitte und eine geschichtete Datenaufteilung; eine Trennung nach unabhängigen Objekten, Chargen oder Standorten ist daraus nicht gesichert. Ein Preprint von 2026 zum Bildmodell Xception nutzt 1.800 ausgewählte Bilder in vier Klassen und meldet sehr hohe Genauigkeit. Seine Trainingsmengen widersprechen sich jedoch zwischen Tabelle und Vorverarbeitungstext.

Quelle 12: Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification, Fundstelle(n): Abschnitte Datensatzaufbereitung und Training Quelle 13: Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification, Fundstelle(n): III-A, Tabelle I; III-B; IV, Ergebnistabelle

Fachliche Einordnung

Ähnliche Ausschnitte können stärker korrelieren als unabhängige Materiallieferungen. Das ist ein Übertragungsrisiko, kein hier bewiesenes Datenleck. Widersprüchliche Datenbeschreibung und der Ausschluss unscharfer oder mehrdeutiger Bilder begrenzen die Aussage zur Baustellenpraxis. Ein hoher Score allein bestätigt keine standortübergreifende Verlässlichkeit.

Vortrainierte Modelle und überlagerte Materialbilder

Studien-/Praxisbefund

WasteXtract passt ein großes vortrainiertes Bildmodell für Bauabfallsegmentierung an und vergleicht Container- mit Förderbandbildern. From debris to data stellt 408 Bilder mit fast 10.000 Objekten aus sieben Klassen vor und untersucht Detektionsgüte und Latenz.

Fachliche Einordnung

Viele markierte Objekte sind nicht ebenso viele unabhängige Testfälle. Segmentierungsüberlappung und Detektionsmetriken bewerten Bildausgaben, nicht Stoffreinheit, Rückgewinnung oder Greiferfolg. Unbekannte und gefährliche Stoffe benötigen eine ausdrücklich validierte Erkennungs- oder Rückweisungsfunktion.

Quelle 15: Leveraging large-scale vision foundation models for automated construction and demolition waste recognition, Fundstelle(n): Autorenabstract, Methodik und Ergebnissätze Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Autorenabstract Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Fehleranalyse und Discussion/Future work

Menschliche Korrektur als Teil des Sortiersystems

Studien-/Praxisbefund

Die Arbeit der Universität Hongkong (HKU) kombiniert die Bildmodelle GroundingDINO und SAM2 für die Wahrnehmung, ein Sprachmodell zur Auftragsinterpretation und einen Roboterarm UR5e mit Vakuumgreifer. Menschen greifen mithilfe eingeblendeter Zusatzinformationen (Augmented Reality, AR) korrigierend in den Ablauf ein. In 40 statischen Laborszenarien liegt der definierte Aufgabenerfolg mit Kooperation bei 96,48 Prozent gegenüber 77,62 Prozent ohne Kooperation. Die Metrik zählt auch korrekt liegen gelassene Inertstoffe.

Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Versuchsaufbau, Auswertung, Tabellen 1–2

Fachliche Einordnung

Der Unterschied beschreibt das untersuchte Gesamtsystem einschließlich menschlicher Mitwirkung. Er ist weder eine reine Greifquote noch ein isolierter LLM-Effekt. Fehler bei ähnlich gefärbtem Material und Hintergrund sowie bei Sprach-/Werkzeugzuordnung bleiben sichtbar; bewegte Stoffströme wurden damit nicht als Routine validiert.

Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Versuchsaufbau, Auswertung, Tabellen 1–2; Fehleranalyse und Discussion/Future work

Eigenschaftsschätzung ergänzt die Materialklasse

Studien-/Praxisbefund

Eine ReCreate-bezogene Arbeit schätzt Betondruckfestigkeit aus Ultraschall- und Rückprallmessungen mit dem Lernverfahren CatBoost. Das Autorenabstract nennt zusammengeführte Testergebnisse aus 115 Studien. Damit wird eine Materialeigenschaft untersucht, die eine visuelle Klasse nicht liefert. Als Grundlage liegt das Originalautorenabstract vor. Ob Gebäude oder Studien für einen unabhängigen Test vollständig zurückgehalten wurden, lässt sich daraus nicht beurteilen.

Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Autorenabstract

Fachliche Einordnung

Für eine Wiederverwendung bleiben zusätzliche Fragen zu Schadstoffen, verdeckten Schäden, Verbindung, Demontage und vorgesehenem Einsatz offen. Die Eigenschaftsschätzung kann einen Bauteilkandidaten für diese Prüfung näher beschreiben. Dafür müssen Identität, Befund und Unsicherheit nachvollziehbar an die zuständigen Fachleute übergeben werden; sie beurteilen die Eignung für den konkreten Wiedereinbau.

Kostenmodell und gemessene Nettoökonomie

Studien-/Praxisbefund

Die Studie Computer Vision-Enabled Construction Waste Sorting: A Sensitivity Analysis untersucht die Wirtschaftlichkeit eines finnischen Sortierfalls als Modell. Löhne und Schulung sowie Anlagen-, Wartungs- und Kapitalkosten beeinflussen den Vergleich mit konventionellen Verfahren. Die Studie ist kein neuer Erkennungsbenchmark und keine aktuelle unabhängige Nettoerfolgsmessung einer Anlage.

Quelle 1: Computer Vision-Enabled Construction Waste Sorting: A Sensitivity Analysis, Fundstelle(n): Titel, Abstract, bibliografische Metadaten

Fachliche Einordnung

Für den Betrieb müssen Sensorreinigung, Verschleiß, Ausfallzeiten, Annotation, Nachsortierung und Ausschussbehandlung in den Vergleich eingehen. Eine unabhängige langfristige Gesamtbilanz dieser Aufwendungen fehlt für die beschriebenen Anlagen. Ohne solche Betriebsdaten lässt sich die Amortisation des konkreten Einsatzes nicht belastbar bestimmen; eine CO₂-Bilanz benötigt zusätzlich den tatsächlich realisierten Materialweg.

Quelle 1: Computer Vision-Enabled Construction Waste Sorting: A Sensitivity Analysis, Fundstelle(n): Titel, Abstract, bibliografische Metadaten Quelle 10: RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen, Fundstelle(n): Interview mit Thomas Jensen zum Standort Vindmøllevej Quelle 9: RGS Nordic – Case study, Fundstelle(n): Anlagenkonfiguration und Robotersortierung Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4 Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Produktinformation und reale Qualitätsprüfung

Studien-/Praxisbefund

Der allgemeine Review zu automatisierter Abfallklassifikation behandelt keinen eigenständigen bauspezifischen Feldversuch. Die EU-Kommission erläutert mit der Bauprodukteverordnung Produktinformation, Nachweise und den schrittweisen Übergang zwischen Regelwerken. Beide Quellenarten liefern Kontext; sie messen keine Leistung der Materialerkennung.

Quelle 2: A Systematic Review of AI-Based Techniques for Automated Waste Classification, Fundstelle(n): Titel, Publikationsdatum, Abstract Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Überblick und Produktinformationskontext Quelle 18: Construction Products Regulation (CPR) 2024 revision, Fundstelle(n): Entry into force, application, transitional period

Fachliche Einordnung

Materialdatenbanken und Pässe können Herkunft und vorhandene Eigenschaften dokumentieren. Der heutige Zustand eines ausgebauten Bauteils und seine konkrete Verwendung sind zusätzlich zu prüfen. Aus einer Passinformation, einem Regelungszeitpunkt oder einer Klassifikationsausgabe folgt keine allgemeine Reuse-Freigabe.

Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Überblick und Produktinformationskontext Quelle 18: Construction Products Regulation (CPR) 2024 revision, Fundstelle(n): Entry into force, application, transitional period Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract; Eigenschaftsschätzung Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4 Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Sensorik/Aktorik Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Datensatz

Warum KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung relevant ist

ReifegradPilotierung bis wachsender Praxiseinsatz

Reale Pilotierung wie SmartRecycling-Up trägt die Untergrenze. Benannte stationäre Erkennungs- und Sortierfunktionen bei Feeß, BHRZ und RGS stützen wiederholten sowie selektiv erweiterten Praxiseinsatz. Die Spanne von Pilotierung bis wachsendem Praxiseinsatz gilt für diese unterschiedlichen Aufgaben. Mobile Rückbauerkennung und eine vollständige autonome Reuse-Beurteilung sind damit nicht auf demselben Stand nachgewiesen.

Evidenzwachsende Evidenz

Mehrere nachvollziehbare Originalarbeiten und konkrete Anlagenfälle stützen die Einordnung. Die Qualität ist ungleich: kontrollierte Laborversuche stehen neben Anbieterberichten und fehlender externer Testtrennung. Zu WasteXtract und From debris to data liegen als Grundlage Originalautorenabstracts vor; eine detaillierte externe Testtrennung lässt sich damit nicht beurteilen. Die Optocycle- und Fördererberichte gehören zur selben Entwicklung, und vier Roboter bei RGS sind Teil einer einzelnen Anlage. Daraus entsteht keine unabhängige Wiederholung einer Gesamtleistungsmessung. Für einen belastbaren Fehlervergleich sind Materialzusammensetzung, Referenzprüfung, unabhängige Testfälle und menschliche Nacharbeit anzugeben. Langfristige Betriebswirkung und Übertragung zwischen Materialströmen bleiben begrenzt.

Quelle 12: Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification, Fundstelle(n): Methodik Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Versuche/Fehleranalyse Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Eigenbericht · Abschnitte 4.2.1–4.2.4 und 4.3–4.4, S. 6–12; Eigenbericht Quelle 13: Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification, Fundstelle(n): III-A, Tabelle I; III-B; IV, Ergebnistabelle Quelle 15: Leveraging large-scale vision foundation models for automated construction and demolition waste recognition, Fundstelle(n): Autorenabstract, Methodik und Ergebnissätze Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Autorenabstract Quelle 5: Optische Klassifizierung von Bauschutt und Bodenaushub, Fundstelle(n): Projektbeschreibung und Folgeprojekt 40244 Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Abschnitte Einsatz an der Waage und Aussage Eberhard Fritz Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Autorenabstract Quelle 10: RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen, Fundstelle(n): Interview mit Thomas Jensen zum Standort Vindmøllevej Quelle 9: RGS Nordic – Case study, Fundstelle(n): Anlagenkonfiguration und Robotersortierung; Anlagenaufbau

EntwicklungsdynamikAktive Weiterentwicklung

Spektralverfahren, vortrainierte Bildmodelle, Datensätze und Mensch-Roboter-Integration werden aktiv weiterentwickelt.

Datierte Arbeiten bearbeiten unterschiedliche offene Aufgaben: spektrale Filterauswahl, Anpassung großer Bildmodelle, überlagerte Bauabfalldaten und menschliche Korrektur robotischer Aktionen. Das trägt aktive Weiterentwicklung. Eine zunehmende Entwicklungsrate oder verkürzte Innovationszyklen ist nicht belegt; innerexperimentelle Verbesserungen ersetzen keinen zeitlichen Vergleich des Feldes.

Quelle 12: Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification, Fundstelle(n): Methodik Quelle 15: Leveraging large-scale vision foundation models for automated construction and demolition waste recognition, Fundstelle(n): Abstract Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Abstract Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Methodik

MarktdynamikSelektive Ausweitung

Ein zusätzlicher benannter Betreiberfall trägt selektive Ausweitung der stationären Materialerkennung.

Gegenüber den im Projektbericht 2025 genannten Pilotpartnern beschreibt Optocycle 2026 zusätzlich den produktiven Einsatz bei BHRZ Parsberg. Dieser datierte Anbieterbericht trägt selektive Ausweitung der Eingangskontrolle. RGS ergänzt einen Betriebsbeleg für physische Sortierung. Eine allgemeine Unternehmensstandortzahl ist keine Zahl installierter Systeme. Daraus folgen weder branchenweite Diffusion noch eine unabhängig belegte Wirtschaftlichkeitssteigerung.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Pilotpartner, Oktober 2025 Quelle 8: Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen, Fundstelle(n): Nutzung seit Anfang 2026, Publikation Juli 2026 Quelle 10: RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen, Fundstelle(n): Betrieb Juni 2025 Quelle 7: Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt, Fundstelle(n): Abschnitte Einsatz an der Waage und Aussage Eberhard Fritz

Für welche Bauprozesse KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung relevant ist

Strategie & Projektentwicklung

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Materialerkennung und Sortierung setzen an konkreten Bauteilen oder Materialströmen an. Aggregierte, fachlich geprüfte Stoffdaten können später Mengen- oder Kreislaufziele einer Projektentwicklung vorbereiten. Dafür müssen sie über die einzelne Lieferung hinaus zusammengeführt und im Projektzusammenhang bewertet werden.

Planung & Design

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Geprüfte Material- und Bauteildaten können Planende bei der Auswahl verfügbarer Sekundärmaterialien oder Reuse-Kandidaten unterstützen. Maße, Zustand, Eignung für die Einbausituation und tatsächliche Verfügbarkeit müssen zusammengeführt werden. Die Erkennung liefert einen Eingang, keine fertige Planungsentscheidung.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Waage/Logistik und Klassifikation; 4.3–4.4 Quelle 15: Leveraging large-scale vision foundation models for automated construction and demolition waste recognition, Fundstelle(n): Skip-bin-Aufgabe Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Clutter-Datensatz Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Materialnachweise und Abnahmekriterien lassen sich in Leistungsbeschreibungen festhalten. Sie geben vor, welche Eigenschaften die spätere Sortierung und Fachprüfung nachweisen müssen. Die Erkennungsfunktion ordnet Materialmerkmale zu; die Auswahl zwischen Angeboten ist eine andere Aufgabe.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Waage/Logistik und Klassifikation Quelle 15: Leveraging large-scale vision foundation models for automated construction and demolition waste recognition, Fundstelle(n): Skip-bin-Aufgabe Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Clutter-Datensatz Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Überblick und Produktinformationskontext Quelle 18: Construction Products Regulation (CPR) 2024 revision, Fundstelle(n): Entry into force, application, transitional period

Bauausführung & Baustellenmanagement

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Erfassung und Trennung von Baustellenreststoffen sowie Rückmeldungen aus der Materialannahme unterstützen Bauleitung und Entsorger. Durch eine eindeutige Lieferungs- und Behälterzuordnung können sie unklare oder falsch klassifizierte Inhalte gezielt nachprüfen. Die beschriebenen produktiven Erkennungsfälle betreffen stationäre Annahmestellen; mobile Anwendungen unter wechselnden Baustellenbedingungen benötigen eigene Erprobung.

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Nachgeprüfte Materialidentitäten und Zustandsbefunde können die Bestandsdokumentation ergänzen und bei späterem Austausch oder Rückbau bereitstehen. Dafür müssen sie dem richtigen Bauteil und dem jeweiligen Prüfzeitpunkt zugeordnet bleiben. So lässt sich nachvollziehen, auf welchen Zustand eine spätere Entscheidung zurückgreift.

Rückbau & Kreislaufwirtschaft

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Hier liegt die Kernaufgabe: Anlieferungen oder Fragmente erkennen, geeignete Trennwege steuern, Qualität nachprüfen und Material an einen passenden Abnehmer übergeben. Reuse-Kandidaten gehen zusätzlich in eine bauteilbezogene Fachprüfung. Fehlwürfe und Abnehmerablehnungen müssen in die Bewertung zurückfließen.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Waage/Logistik und Klassifikation; 4.3–4.4; Integration und Pilotierung Quelle 15: Leveraging large-scale vision foundation models for automated construction and demolition waste recognition, Fundstelle(n): Skip-bin-Aufgabe Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Clutter-Datensatz Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation Quelle 9: RGS Nordic – Case study, Fundstelle(n): Anlagenaufbau

Für wen KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung relevant ist

Bauunternehmen und Generalunternehmer

Bauunternehmen und Generalunternehmer können Reststoffe einer Herkunft und einem Behälter zuordnen und Fehlanlieferungen rückverfolgen. Dafür organisieren sie Trennung und eindeutige Lieferungszuordnung und klären unklare Befunde. Eine Annahmeentscheidung allein aus dem Bildscore ist nicht als verlässlicher Gesamtprozess belegt.

Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): Integration und Pilotierung Quelle 9: RGS Nordic – Case study, Fundstelle(n): Anlagenaufbau Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Abstract

Baustoff-, Produkt- und Maschinenhersteller

Hersteller können Sensorik und Greifer auf definierte Stoffströme abstimmen und Eingangsmaterialinformationen für ihre Produkte nutzen. Sie müssen Kalibrierung, Verschleiß, Schnittstellen und geforderte Materialqualität separat absichern. Der Nutzen hängt von dieser Anlagen- und Qualitätseinbindung ab.

Rückbau-, Entsorgungs- und Recyclingunternehmen

Rückbau-, Entsorgungs- und Recyclingunternehmen verbinden Materialannahme, physische Trennung und Disposition geeigneter Fraktionen. Probenahme, Nachsortierung, Liefernachweise und Abstimmung mit dem tatsächlichen Abnehmer bleiben Teil ihrer Verantwortung. Eine bessere Erkennung allein weist noch keinen realisierten Kreislaufweg nach.

Forschung, Verbände und Netzwerke

Forschung, Verbände und Netzwerke können vergleichbare Referenzdaten, externe Tests und fachliche Bewertungskriterien bereitstellen. Sie sollten Fehlerbilder und unabhängige Objekt- oder Standorttests offenlegen. Ihre Rolle liegt in nachprüfbaren Verfahren; Demonstratorwerte ersetzen keine Verwendungsklärung.

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung verknüpft ist

Hauptbezug

Nachhaltigkeit & ESG

Primär ist das Ziel, geeignete Material- und Bauteilwege zu ermöglichen. Die Wirkung muss bis zur tatsächlich abgenommenen Fraktion oder zum geprüften Wiedereinbau verfolgt werden. Ein Erkennungsscore bestätigt weder Ressourceneinsparung noch CO₂-Vorteil.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Sensorik/Aktorik Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Datensatz Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Eigenschaftsschätzung; Abstract Quelle 6: Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19, Fundstelle(n): 4.3–4.4 Quelle 3: Construction Products Regulation (CPR), Fundstelle(n): Produktinformation

Verknüpftes Feld

Robotik, Automatisierung & Physical AI

Klasse und Lage eines erkannten Objekts werden in Greifplanung und physische Aktion übersetzt. Mechanische Vorstufen und die Rückmeldung über den Aktionserfolg gehören dazu. Gelernte Wahrnehmung, Bewegungssteuerung und klassische Automatisierung müssen getrennt beschrieben werden.

Quelle 4: Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle, Fundstelle(n): Sensorik/Aktorik; Projektbeschreibung SmartRecycling-Up Quelle 16: From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste, Fundstelle(n): Datensatz Quelle 14: Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework, Fundstelle(n): Eigenschaftsschätzung; Abstract Quelle 9: RGS Nordic – Case study, Fundstelle(n): Abschnitt Anlagenaufbau Quelle 17: A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting, Fundstelle(n): Methodik, Intent mapping

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Bilder, Spektraldaten, Annotationen, Modellversionen und Prüfergebnisse brauchen nachvollziehbare Herkunft und Zuordnung. Trainingsdaten sind von unabhängigen Testfällen zu trennen. Die Datenbasis soll unklare oder falsch zugeordnete Materialien erkennbar halten.

Verknüpftes Feld

BIM & Digitaler Zwilling

Ein identifizierter Bauteilkandidat kann über ID, Lage und geprüften Zustand mit dem Bestandsmodell verknüpft werden. Für spätere Planung oder Demontage müssen diese Angaben eindeutig zum Bauteil passen und fachlich geprüft sein. Das Modell verbindet damit erkannte Merkmale mit vorhandenen Bestands- und Produktinformationen.

Verknüpfte Fachbegriffe und Detailthemen

Building Information Modeling (BIM): BIM kann erkannte Bauteile mit Bestands- und Produktinformationen für die weitere Wiederverwendungsplanung verbinden. Identität, Lage und Zustandsangaben müssen dafür zum Bauteil passen und fachlich geprüft sein.
Computer Vision: Die Bildauswertung erkennt sichtbare Material- und Bauteilmerkmale für Sortierung und Wiederverwendungsprüfung.
Hyperspektralsensorik: Spektrale Messungen ergänzen sichtbare Merkmale bei der Unterscheidung von Baustoffen im Materialstrom.
Materialdatenbank: Materialdatenbanken stellen Vergleichs- und Produktinformationen bereit, mit denen erkannte Baustoffe näher eingeordnet werden können.
Materialklassifikation: Die Materialklassifikation ordnet erfasste Baustoffe geeigneten Klassen zu und bereitet ihre weitere Sortierung vor.
Robotik: Robotische Sortiersysteme können erkannte Materialklassen in physische Trenn- und Greifaktionen übersetzen.
Zustandsbewertung: Die Zustandsbewertung klärt, welche erkannten Bauteile für eine vertiefte Prüfung auf Wiederverwendung infrage kommen.

Quellen und Evidenz zu KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Computer Vision-Enabled Construction Waste Sorting: A Sensitivity Analysis
Herausgeber
Liu, Farshadfar, Khajavi / Applied Sciences; Autorenrepository Aalto
Publiziert
29.09.2025
Quellentyp
Wirtschaftliche Modellstudie
Geltungsbereich
Wirtschaftliche Sensitivitätsanalyse eines finnischen Sortierfalls; zugänglicher Autorenabstract. Onlinepublikation September 2025, Repository nennt das Oktoberheft.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Titel, Abstract, bibliografische MetadatenTextstelle 22 Textstelle 23
Quelle 2
A Systematic Review of AI-Based Techniques for Automated Waste Classification
Herausgeber
Fotovvatikhah et al. / Sensors; Originalabstract bei PubMed
Publiziert
18.05.2025
Quellentyp
Review-Abstract
Geltungsbereich
Allgemeine automatisierte Abfallklassifikation; keine eigenständige Bauabfall-Feldvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Titel, Publikationsdatum, AbstractTextstelle 24
Quelle 3
Construction Products Regulation (CPR)
Herausgeber
Europäische Kommission
Publiziert
undatiert
Quellentyp
Behördliche Übersicht
Geltungsbereich
Produktinformations- und Nachweiskontext; kein Techniknachweis oder Einzelfallurteil zur Wiederverwendung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- ProduktinformationTextstelle 1 Textstelle 2 Textstelle 3 Textstelle 4 Textstelle 7 Textstelle 13 Textstelle 21 Textstelle 23 Textstelle 31 Textstelle 34 Textstelle 35 Textstelle 40
- Überblick und ProduktinformationskontextTextstelle 24 Textstelle 25 Textstelle 32
Quelle 4
Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle
Herausgeber
DFKI
Publiziert
15.06.2025
Quellentyp
Forschungs-Projektmitteilung
Geltungsbereich
Projektbeteiligte berichten über Realpilotierung; keine unabhängige Langzeitwirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (13 Textstellen)
- Projektbeschreibung SmartRecycling-UpTextstelle 1 Textstelle 2 Textstelle 4
- Realtest ASOTextstelle 3 Textstelle 26
- Projektbeschreibung SmartRecycling-Up; Absätze zu ARTER, ASO und SmartMotionControllerTextstelle 5
- Absätze zu ARTER, ASO und SmartMotionControllerTextstelle 12 Textstelle 13
- Sensorik/AktorikTextstelle 25 Textstelle 40 Textstelle 42 Textstelle 43
- Sensorik/Aktorik; Projektbeschreibung SmartRecycling-UpTextstelle 41
Quelle 5
Optische Klassifizierung von Bauschutt und Bodenaushub
Herausgeber
Deutsche Bundesstiftung Umwelt
Publiziert
27.04.2026
Quellentyp
Fördergeberbericht
Geltungsbereich
Gemeinsame Evidenzfamilie mit Optocycle-Projekt und Fallberichten; keine unabhängige Messung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Projektbeschreibung und Folgeprojekt 40244Textstelle 8 Textstelle 9 Textstelle 27
Quelle 6
Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19
Herausgeber
Max-Frederick Gerken, Fabian Hüttig / Optocycle, DBU-Repository
Publiziert
Oktober 2025
Quellentyp
Projektabschlussbericht
Geltungsbereich
Anbieterverfasst; konkrete Pilotpartner, unzureichend dokumentierte externe Testtrennung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (25 Textstellen)
- 4.3–4.4Textstelle 1 Textstelle 4 Textstelle 7 Textstelle 13 Textstelle 21 Textstelle 23 Textstelle 25 Textstelle 40
- 4.3–4.4; Integration und PilotierungTextstelle 2
- Eigenbericht; Pilotpartner, Oktober 2025; 4.3–4.4Textstelle 3
- Abschnitte 4.2.1–4.2.4 und 4.3–4.4, S. 6–12Textstelle 8
- Abschnitte 4.2.1–4.2.4 und 4.3–4.4, S. 6–12; Pilotpartner, Oktober 2025Textstelle 9
- Integration und PilotierungTextstelle 11 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39
- EigenberichtTextstelle 27
- Abschnitte 4.2.1–4.2.4 und 4.3–4.4, S. 6–12; EigenberichtTextstelle 27
- Pilotpartner, Oktober 2025Textstelle 29
- Waage/Logistik und KlassifikationTextstelle 30 Textstelle 32 Textstelle 33
- Waage/Logistik und Klassifikation; 4.3–4.4Textstelle 31 Textstelle 34
- Waage/Logistik und Klassifikation; 4.3–4.4; Integration und PilotierungTextstelle 35
Quelle 7
Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt
Herausgeber
Optocycle
Publiziert
21.05.2026
Quellentyp
Anbieterfallbericht
Geltungsbereich
Benannter Waageneinsatz; Verbesserung ausdrücklich Betriebsschätzung, kein kontrollierter Vergleich.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- WaageneinsatzTextstelle 3 Textstelle 26
- Abschnitte Einsatz an der Waage und Aussage Eberhard FritzTextstelle 4 Textstelle 6 Textstelle 8 Textstelle 9 Textstelle 27 Textstelle 29
Quelle 8
Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen
Herausgeber
Laura Neusser / Optocycle
Publiziert
28.07.2026
Quellentyp
Anbieterfallbericht
Geltungsbereich
Benannter zusätzlicher Betreiber und Nutzungsbeginn; keine unabhängige Fehler- oder Wirtschaftlichkeitsserie.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- BHRZ seit Anfang 2026; Nutzung seit Anfang 2026, Publikation Juli 2026Textstelle 3
- Abschnitte BHRZ Parsberg und Einsatz seit Anfang 2026Textstelle 6 Textstelle 8
- Abschnitte BHRZ Parsberg und Einsatz seit Anfang 2026; Nutzung seit Anfang 2026, Publikation Juli 2026Textstelle 9
- BHRZ seit Anfang 2026Textstelle 26
- Nutzung seit Anfang 2026, Publikation Juli 2026Textstelle 29
Quelle 9
RGS Nordic – Case study
Herausgeber
Terex ZenRobotics
Publiziert
undatiert
Quellentyp
Anbieterfallstudie
Geltungsbereich
Anlagenkonfiguration und Vortrennung; undatiert, keine unabhängige Gesamtleistungsmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- Abschnitt AnlagenaufbauTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 5 Textstelle 41
- Anlagenkonfiguration und RobotersortierungTextstelle 6 Textstelle 10 Textstelle 23
- Anlagenkonfiguration und Robotersortierung; AnlagenaufbauTextstelle 11 Textstelle 27
- AnlagenaufbauTextstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39
Quelle 10
RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen
Herausgeber
Tim Søgaard / Maskinteknik
Publiziert
19.06.2025
Quellentyp
Originales Betreiberinterview
Geltungsbereich
Primäre Betriebsaussage in der Fachpresse; keine unabhängige Leistungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Betreiberinterview; Betrieb Juni 2025Textstelle 3
- Interview mit Thomas Jensen zum Standort VindmøllevejTextstelle 6 Textstelle 10 Textstelle 11 Textstelle 23 Textstelle 27
- BetreiberinterviewTextstelle 26
- Betrieb Juni 2025Textstelle 29
Quelle 11
Denmark inaugurates first robotic sorting plant for construction waste
Herausgeber
Terex ZenRobotics
Publiziert
20.11.2024
Quellentyp
Anbietermeldung
Geltungsbereich
Einweihung und Vorführung im Oktober 2024; keine dokumentierte Langzeitroutine.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Einweihung und DemonstrationTextstelle 10 Textstelle 11
Quelle 12
Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification
Herausgeber
Vítek, Zbíral, Nežerka / Resources, Conservation & Recycling 215, 108123
Publiziert
17.01.2025
Quellentyp
Originalforschung
Geltungsbereich
Finale Verlagsfassung im Repository; kalibrierte Proben, keine industrielle Anlagenvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- MethodikTextstelle 3 Textstelle 27 Textstelle 28
- Abschnitte 2–3, Appendix E; finale FassungTextstelle 5 Textstelle 12
- Abschnitte 2–3, Appendix E; finale Fassung; Abschnitte Datensatzaufbereitung und TrainingTextstelle 13
- Abschnitte Datensatzaufbereitung und TrainingTextstelle 14 Textstelle 15
Quelle 13
Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification
Herausgeber
Alashram et al. / arXiv:2601.17038v1
Publiziert
20.01.2026
Quellentyp
Preprint
Geltungsbereich
Interne Inkonsistenz bei Trainingsmengen; selektierte Bilder, kein gesicherter externer Standorttest.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- III-A, Tabelle I; III-B; IV, ErgebnistabelleTextstelle 14 Textstelle 15 Textstelle 27
Quelle 14
Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework
Herausgeber
Matthews, Allaix, Wijte, Vullings / NDT & E International 158, 103549; TU/e
Publiziert
März 2026
Quellentyp
Originalautorenabstract
Geltungsbereich
Verfügbare Grundlage ist das Originalautorenabstract zur lernenden NDT-Festigkeitsschätzung. Die Abgrenzung eines unabhängigen Studien- oder Gebäudetests und eine vollständige Reuse-Kette lassen sich damit nicht beurteilen. März 2026 ist das Heftdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (24 Textstellen)
- AbstractTextstelle 1 Textstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 11 Textstelle 13 Textstelle 23 Textstelle 31 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39
- Abstract; AutorenabstractTextstelle 7 Textstelle 21
- AutorenabstractTextstelle 20 Textstelle 27
- Abstract; EigenschaftsschätzungTextstelle 25
- Eigenschaftsschätzung; AbstractTextstelle 40 Textstelle 41
- EigenschaftsschätzungTextstelle 42 Textstelle 43
Quelle 15
Leveraging large-scale vision foundation models for automated construction and demolition waste recognition
Herausgeber
Sirimewan et al. / Advanced Engineering Informatics 68, 103593; Warwick
Publiziert
28.06.2025
Quellentyp
Originalautorenabstract
Geltungsbereich
Verfügbare Grundlage ist das Originalautorenabstract zur Segmentierung mit einem vortrainierten Bildmodell. Detaillierte externe Testtrennung, Stoffreinheit und Roboterausbeute sind damit nicht belegt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- Autorenabstract, Methodik und ErgebnissätzeTextstelle 16 Textstelle 17 Textstelle 27
- AbstractTextstelle 28
- Skip-bin-AufgabeTextstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 35
Quelle 16
From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste
Herausgeber
Malla, Mohandes, Hosseini, Arashpour / Waste Management 220, 115580; PubMed
Publiziert
14.05.2026
Quellentyp
Originalautorenabstract
Geltungsbereich
Verfügbare Grundlage ist das Originalautorenabstract zum Datensatz mit überlagerten Bauabfällen. Eine vollständige Beurteilung von Datenaufteilung, Hardwarebedingungen und externer Anlagenvalidierung ist damit nicht möglich.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- AutorenabstractTextstelle 16 Textstelle 17 Textstelle 27
- DatensatzTextstelle 25 Textstelle 40 Textstelle 41 Textstelle 42 Textstelle 43
- AbstractTextstelle 28
- Clutter-DatensatzTextstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 35
Quelle 17
A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting
Herausgeber
Chen, Fu, Lu / Cleaner Materials 20, 100386; HKU
Publiziert
07.03.2026
Quellentyp
Originalforschung
Geltungsbereich
Statische Mensch-Roboter-Laborszenarien; Erfolgsdefinition zählt auch korrekt nicht bewegte Inertstoffe.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (11 Textstellen)
- Methodik, Intent mappingTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 41
- Versuche/FehleranalyseTextstelle 3 Textstelle 27
- Methodik, Intent mapping; Versuchsaufbau, Auswertung, Tabellen 1–2Textstelle 5
- Fehleranalyse und Discussion/Future workTextstelle 17
- Versuchsaufbau, Auswertung, Tabellen 1–2Textstelle 18
- Versuchsaufbau, Auswertung, Tabellen 1–2; Fehleranalyse und Discussion/Future workTextstelle 19
- MethodikTextstelle 28
Quelle 18
Construction Products Regulation (CPR) 2024 revision
Herausgeber
Europäische Kommission
Publiziert
undatiert
Quellentyp
Behördliche Übersicht
Geltungsbereich
Zeitliche Einordnung und produktgruppenbezogener Übergang; keine pauschale Reuse- oder KI-Freigabe.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Entry into force, application, transitional periodTextstelle 24 Textstelle 25 Textstelle 32

Alle Impulse im Radar entdecken

KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung

Um was geht es bei KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung?

Einordnung im Impulsradar

Vom erkannten Material zum geprüften Verwendungsweg

Worauf es bei KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung relevant ist

Für welche Bauprozesse KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung relevant ist

Bauunternehmen und Generalunternehmer

Baustoff-, Produkt- und Maschinenhersteller

Rückbau-, Entsorgungs- und Recyclingunternehmen

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung verknüpft ist

Nachhaltigkeit & ESG

Robotik, Automatisierung & Physical AI

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung

Quellen und Evidenz zu KI-gestützte Materialerkennung, Sortierung und Reuse-Bewertung

Computer Vision-Enabled Construction Waste Sorting: A Sensitivity Analysis

A Systematic Review of AI-Based Techniques for Automated Waste Classification

Construction Products Regulation (CPR)

Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle

Optische Klassifizierung von Bauschutt und Bodenaushub

Optische Klassifizierung von Bauschutt und Bodenaushub – Abschlussbericht AZ 35506/19

Wie Feeß mit Optocycle 80% weniger Fehlklassifizierungen erzielt

Modernste Computer-Vision-Technologie auf kleinen Recyclinghöfen

RGS Nordic – Case study

RGS Nordic sætter AI i spil for at forbedre affaldshåndteringen

Denmark inaugurates first robotic sorting plant for construction waste

Using hyperspectral imaging to identify optimal narrowband filter parameters for construction and demolition waste classification

Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification

Advancing non-destructive concrete compressive strength estimation: Large-Scale datasets and machine learning framework

Leveraging large-scale vision foundation models for automated construction and demolition waste recognition

From debris to data: benchmarking state-of-the-art computer vision models for intelligent valorization of construction and demolition waste

A large language model and augmented reality integrated interface for human-robot collaborative construction waste sorting

Construction Products Regulation (CPR) 2024 revision